今天小編分享的科學經驗：自動駕駛首次應用測試時計算！港大英偉達等新技術讓AI邊開邊學，無人車遇變道自如應對，歡迎閱讀。
當開車遇到變道、加塞等場景時，駕駛員往往會下意識地激活自己的 " 安全駕駛思維 "，從而做出激進的規避行為。
與之類似，自動駕駛汽車在上述場景中，更會表現得像個謹小慎微的 " 新手司機 "，這是因為模型的決策往往依賴于工程師預設的固定規則，進而導致 " 不求無功，但求無過 " 的駕駛風格，但過多的無故急刹、過度避讓反而會引發額外的安全隐患。
針對上述問題，來自香港大學、英偉達和德國圖賓根大學的聯合團隊提出 Centaur（Cluster Entropy for Test-time trAining using UnceRtainty）方法，能夠動态地改善駕駛策略，通過在線的數據驅動，擺脫了對預設規則的依賴，大幅提高了自動駕駛汽車在不确定性場景中的适應性與安全性。
Centaur 在測試推理過程中動态地調整模型權重，适應 OOD 場景，提升泛化能力。模型利用 Cluster Entropy 作為自監督信号，并首次将 Test-Time Training（TTT）應用于端到端自動駕駛，避免手動規則和成本函數，實時減少不确定性并改進預測，借由在線數據驅動實現了軌迹預測的可擴展性。
論文已上傳 arXiv，代碼、checkpoint 等即将開源。
駕馭不确定性
通常來說，模型是如何衡量自己輸出不确定性的？一種直觀的方法是觀察模型輸出的分布狀态，并基于 " 固定采樣下，模型的輸出方向越集中，越逼近模型的最高置信度 " 的假設，來計算模型輸出的聚類程度，從而側面衡量出模型輸出的不确定性。
Cluster Entropy 通過軌迹采樣、聚類和熵計算來評估自動駕駛模型的不确定性。相比傳統的方法，它結合了直行、輕微右轉、劇烈右轉、輕微左轉和劇烈右轉的行為聚類，使得不确定性估計更具可解釋性。例如，當模型面對復雜的交叉路口時，Cluster Entropy 能直觀反映不同駕駛決策的不确定性，從而幫助優化自動駕駛系統的安全性。
邊行駛邊進化
TTT 在推理過程中利用 Cluster Entropy 作為自監督目标，通過梯度優化讓模型自适應地調整特征表征，從而提升對 OOD 場景的适應能力。
具體而言，模型通過計算 Cluster Entropy，判斷當前環境的 OOD 級别。如果模型對當前環境的理解較差，則觸發 TTT 訓練過程，通過梯度下降對特征提取網絡進行小幅度更新，使其更适應當前環境特征分布。這一方法使得 Centaur能夠在推理時自适應地優化自身，在 OOD 場景中保持穩定的感知和駕駛能力，而無需依賴固定規則或人工設計的成本函數。
實測接近人類駕駛水平，安全性能全面提升
在 navtest 基準測試中，Centaur 的綜合規劃與駕駛指标得分（PDMS）取得了92.6%的成績，遠遠超過了基于回退的方法，并接近人類駕駛水平 。此外，Centaur 在碰撞避免和碰撞時間等關鍵指标上亦表現出卓越的性能。
為了更好地評估自動駕駛系統在安全關鍵場景中的表現，我們提出了navsafe 數據集，專門用于測試端到端駕駛方法的安全性和魯棒性。它基于 navtest，并結合了真實的事故數據，通過細粒度的評分機制，量化了自動駕駛模型的不同駕駛能力，而不像 navtest 只提供整體分數。
此外，Cluster Entropy 作為不确定性度量工具，實現了 PDMS 的顯著提升，并在失敗檢測任務中， 取得了最佳結果。
論文地址： https://arxiv.org/abs/2503.11650
